Решил отказаться от публичной репы с форком gbrain, она имхо бессмысленна 🤷‍♂️

Первый и второй приквелы к этому посту

Итак, я обещал пойти в опенсорс, поэтому отправил pull request в first party gbrain со своим скиллом. Достаточно вытащить диффы и локально закинуть к себе. Честно, не думаю, что этот pr аппрувнут в таком виде, тк есть много кастома в макбучную версию + скилл оптимизирован кодекс-онли. Но мои доработки могут стать хорошей отправной точкой для мейнтейнеров по переработке основного review drafts-цикла. По крайней мере, я очень на это надеюсь, потому что оригинальный скилл очень урезает потенциал фичи
Хммм, или мой скилл могут добавить как альтернативу ориг подходу к сохранению памяти

А теперь вообще что я накастомил. Вкратце, полноценный workflow для сохранения памяти, а не один небольшой fp skill. Агентские сессии слишком ценны, чтобы их выкидывать, но слишком грязные и приватные, чтобы напрямую индексировать их как память. Ниже – пунктики последовательного перехода информации из состояния в состояние:

1. raw capture – через stop hook подхватывается полезный контекст (без мусора от вызова тулзов) из сессии и сохраняется как raw local evidence в папку текущего дня в gbrain. Это, получается, источник правды, но еще не память. В будущем через <апгрейднутый> mcp к источнику можно обращаться для выяснения причин и контекста решений, если curated memory недостаточно для получения результата (довольно редко, но бывает). Юзаю такие evidence для поиска иголки в километровом стоге сена

2. redacted draft – основная скриптовая очистка raw capture от sensitive/private data (токены, пароли, апишки и тп), + дополнителньое llm постревью

3. review session – тут уже собираются drafts в inventory и группируются по прикладным кодекс-сессиям, в общем причесывается вся разбросанная информация

4. decision layer – для каждого draft принимается решение: сохранять драфт полноценно, синтезировать, добавить в существующую curated memory page, признать дубликатом или заблокировать по safety control из-за чувствительных данных

5. curated memory – только подтвержденная, полезная и безопасная инфа, отфильтрованная по 8 неймспейсам. Тщательно валидируется детерминированными ruby-скриптами на полноту покрытия reviewed evidence и точность переноса в curated pages

6. indexed memory – curated pages синкаются в gbrain. Уже к этому слою агент обращается через mcp/search/query

На продумку, создание и отладку всего подхода потребовалось 3-4 недели, проверено ~9 версий и более 15-ти гипотез


А ещё недавно дал интервью на интересный кейсик: с нуля рассказал, как дошел до использования gbrain и как именно сейчас его юзаю в повседневной разработке